10.19665/j.issn1001-2400.2022.03.018
特征增强的单阶段遥感图像目标检测模型
随着卷积神经网络的发展,遥感图像目标检测性能提升明显,但场景的复杂性和目标大小、形态的多样性依然对目标检测带来挑战.针对复杂情况下不同大小目标的检测问题进行研究.特征金字塔结构是解决不同大小目标检测的有效方法,但其逐层传递特征的方式可能产生特征丢失问题,故提出跳跃连接特征金字塔模块来增强特征金字塔结构中各层特征的语义和细节信息.同时,使用位置注意力强化目标区域特征是提升目标检出率的有效方法,并有助于复杂场景下目标的检测,但现有的位置注意力往往同时强化了不精确的预测结果,对最终预测结果产生干扰.为此提出基于锚框的位置注意力模块,强化更可能产生精确预测结果的特征区域.将跳跃连接特征金字塔模块和基于锚框的位置注意力模块嵌入到RetinaNet模型中,形成端到端的特征增强的单阶段遥感图像目标检测模型FENet(Feature Enhanced Network).针对复杂的遥感影像目标检测进行实验,在UCAS-AOD数据集上FENet模型mAP比FAN(Face Attention Network)高1.78%,在RSOD数据集上比FAN模型提升了 1.48%,且超越了其他先进模型.此外,FENet在单块Titan X GPU上对800×800图像的测试时间是0.058 s.实验结果表明,与同类模型相比,所提模型增强了 目标的特征提取能力,进而提升了检测性能.
遥感图像、特征金字塔、位置注意力、锚框、单阶段目标检测
49
TP391.4(计算技术、计算机技术)
科技部青藏高原科考专项2019QZKK0405
2022-08-26(万方平台首次上网日期,不代表论文的发表时间)
共11页
160-170